1.3混合建模
   随着过程控制、仿真与优化技术的发展，对系统模型提出了更高的要求，除了较高的建模精度外，还要求大范围描述过程动态行为的能力，传统的建模方法已经不能满足要求。近年来，充分利用对象的先验知识，用辨识的方法估计机理模型参数，建立发酵过程混合模型的研究取得了进展。
   发酵过程建模方面，用ANN方法辨识机理模型参数建模应用较多。Zuo等以及Berkholz等将机理建模与ANN建模相结合，通过辨识得到机理模型中的参数，在此基础上，采用遗传算法或模糊逻辑对模型进行修正，简化了汁算复杂性，提高了模型精度。Tholudur等也采用了机理建模与ANN相结合的方案，为了减少训练网络对实验数据量的要求，还结合了内插参数模型方法，实验结果表明，该方法使得机理模型对实验数据的需求下降了40％。
SVM及改进的SVM方法用于发酵过程机理模型参数的辨识，也取得了一定的效果。许光等将发酵过程的动力学机理与SVM相结合，用SVM方法估计动力学方程的参数比生长速率，建立间歇式酒精发酵过混合模型，实验表明，所建模型比SVM黑箱模型、与机理结合的神经网络模型具有更好的预测性能。桑海峰等I25J提出了一种综合先验知识与最小二乘SVM的发酵过程建模方法，并将遗传算法嵌入最小二乘SVM用于参数的优化选取，实验证明，所得混合模型具有很高的精度与泛化能力。山辨识方法估计机理模型参数的过程混合模，实质上仍是过程机理参数模型，模型的简化和未能机理分析的发酵过程部分仍影响模型的准确性，对发酵过程的描述不够全面。   
   

 

上一篇：下一篇：微生物发酵过程优化控制技术进展——5